大多数 AI Agent 框架都在解决同一个问题：如何让 LLM 调用工具、完成任务。但 Hermes Agent 想解决的是一个更难的问题：如何让 Agent 从每次对话中学习，越用越聪明，而不是每次都从零开始。
Hermes Agent 是 Nous Research 开源的 AI Agent 框架（MIT 协议），它最核心的设计理念是一个闭合的学习循环：Agent 在完成复杂任务后自动生成「技能」，技能在使用中持续改进，同时跨会话积累对用户的理解。这让它与 AutoGPT、CrewAI 等框架有本质上的不同。
一、核心设计理念：学习闭环
绝大多数 Agent 框架的记忆是「静态」的——你告诉它一些背景信息，它记住；你不告诉它，它不知道。Hermes 的不同之处在于它有一套主动的、自驱的知识积累机制。
学习闭环由四个部分构成：
- 持久记忆（Persistent Memory）：Agent 会主动将重要信息写入
MEMORY.md，并在对话中定期「nudge」自己检视和更新记忆，而不是等用户主动告知 - 用户建模（User Modeling）：集成 Honcho 的 dialectic 用户建模，跨会话逐渐建立对用户偏好、习惯、工作方式的理解——类似一个越来越了解你的助手
- 技能系统（Skills System）：完成复杂任务后，Agent 自动将解决方案提炼成可复用的「技能」（Skill），下次遇到同类问题直接调用，不再重复推理
- 会话搜索（Session Search）：基于 SQLite FTS5 的全文检索，配合 LLM 摘要，可以跨历史会话检索相关内容，让 Agent 能「想起」很久之前做过的事
这个设计的本质是：把 Agent 的经验转化为可调用的程序性记忆，而不只是陈述性记忆。一个类比：人类不只是记住「做饭的步骤」，而是练熟了之后形成肌肉记忆，不需要每次查食谱。Hermes 的技能系统就是 Agent 的「肌肉记忆」。
二、技能系统（Skills System）
技能是 Hermes 最有特色的设计。每个技能本质上是一个 Markdown 文件，描述了完成某类任务的步骤、注意事项和最佳实践。
技能的生命周期
- 自动创建：Agent 完成一个复杂任务后，会判断这个任务值不值得抽象成技能。如果值得，自动生成技能文件
- 使用中改进：每次调用某个技能时，如果发现步骤有误或有更好的做法，技能文件会被自动修订
- 用户触发：在对话中用
/skill-name命令可以手动触发某个技能 - 社区共享：技能遵循 agentskills.io 开放标准，可以在社区 Skills Hub 上发布和下载
# 查看已有技能列表
/skills
# 触发某个技能
/deploy-to-production
# 技能文件存储位置
~/.hermes/skills/
├── system/ # 内置技能
├── user/ # 用户创建的技能
└── openclaw-imports/ # 从 OpenClaw 迁移的技能
技能文件的格式是普通的 Markdown，任何人都可以手动编写和修改：
# Deploy to Production
## When to use
Use this skill when asked to deploy a service to production.
## Steps
1. Run the test suite: `make test`
2. Build the Docker image: `docker build -t {service}:{version} .`
3. Push to registry: `docker push registry.example.com/{service}:{version}`
4. Update the Helm chart values and open a PR
5. After PR merge, monitor the canary deployment for 10 minutes
6. Check error rate — if > 1%, roll back immediately
## Notes
- Always deploy during low-traffic windows (avoid 9am-11am, 7pm-9pm)
- Notify #deployments channel before starting
- Use `hermes cron` to schedule off-hours deploys if needed
三、工具系统：40+ 内置工具
Hermes 内置了 40 多个工具，覆盖开发、系统、文件、网络等各类场景，并支持通过 MCP（Model Context Protocol）接入任意外部工具。
六种终端后端
Hermes 最独特的工具设计是支持六种不同的代码执行后端，让 Agent 可以在不同的隔离环境中运行代码：
| 后端 | 适用场景 | 特点 |
|---|---|---|
| Local | 本机直接执行 | 最快，无隔离 |
| Docker | 本地容器化执行 | 隔离好，需要 Docker |
| SSH | 远程服务器 | 适合在云服务器上运行 |
| Daytona | Serverless 开发环境 | 闲置时自动休眠，近乎零成本 |
| Singularity | HPC 集群 | 科研计算环境 |
| Modal | Serverless GPU | 需要 GPU 计算时按需唤醒 |
这个设计的亮点是 Daytona 和 Modal 后端：Agent 的执行环境可以在云端持久化，闲置时自动休眠（几乎零成本），有任务时唤醒。这意味着你可以在 Telegram 上给 Agent 发一条消息，它在云端虚拟机上工作，完成后通知你，全程不需要你的笔记本开着。
并行子 Agent
Hermes 支持派生隔离的子 Agent 并行处理多个工作流：
# 主 Agent 可以同时派生多个子 Agent 处理独立任务
# 子 Agent 通过 RPC 调用工具，结果汇总回主 Agent
# 每个子 Agent 有独立的上下文窗口，不消耗主 Agent 的 context
# 也可以用 Python 脚本直接调用工具（零 context cost）
python3 << 'EOF'
from hermes.tools import run_tool
# 并行执行多个工具调用
results = await asyncio.gather(
run_tool("bash", {"command": "pytest tests/unit/"}),
run_tool("bash", {"command": "pytest tests/integration/"}),
run_tool("grep", {"pattern": "TODO", "path": "./src"}),
)
EOF
四、多平台接入：不绑定终端
大多数 Agent 框架假设你坐在电脑前，通过命令行或 Web UI 交互。Hermes 的设计思路不同——它把自己做成了一个可以从任何地方访问的服务：
# 启动消息网关（支持 Telegram、Discord、Slack、WhatsApp、Signal）
hermes gateway start
# 之后可以从手机 Telegram 给 Agent 发消息，Agent 在云端工作
# 支持跨平台会话连续性：从 Telegram 开始的对话，可以在 CLI 继续
支持的平台：
- Telegram：最成熟的集成，支持语音消息转录
- Discord / Slack：团队协作场景
- WhatsApp / Signal：个人消息
- Home Assistant：智能家居集成
- CLI：完整的 TUI，支持多行编辑、slash 命令自动补全、流式工具输出
所有平台共享同一份记忆和技能系统，对话历史跨平台互通。
五、模型无关：不锁定任何 LLM
Hermes 的另一个核心设计原则是模型无关（Model-Agnostic）。切换模型只需一条命令：
hermes model
# 交互式选择：
# > Nous Portal (Hermes 3, Hermes 2 Pro...)
# OpenRouter (200+ models)
# NVIDIA NIM (Nemotron...)
# OpenAI (GPT-4o, o3...)
# Anthropic (Claude...)
# Hugging Face
# Custom endpoint
# 也可以直接指定
hermes config set model openrouter:anthropic/claude-opus-4
hermes config set model nous:hermes-3-70b
支持的提供商覆盖了市面上几乎所有主流模型服务：Nous Portal、OpenRouter（200+ 模型）、NVIDIA NIM、Xiaomi MiMo、Kimi/Moonshot、MiniMax、Hugging Face、OpenAI、Anthropic，以及任意自定义 OpenAI 兼容端点。
不同任务用不同模型是一个很实用的场景：日常对话用便宜的小模型，复杂代码生成切换到 Claude Opus 或 Hermes 3 70B，批量数据处理用本地部署的模型。Hermes 让这种切换毫无成本。
六、定时任务：用自然语言写 Cron
Hermes 内置了 Cron 调度器，可以用自然语言描述定时任务，结果推送到任意平台：
# 每天早上 8 点生成日报，推送到 Telegram
"每天早上 8 点，整理昨天的 GitHub PR 合并情况和待处理 issue，发给我的 Telegram"
# 每周一生成周报
"每周一 9 点，分析上周的项目进展，对比 OKR，发到 Slack 的 #weekly-report 频道"
# 每晚自动备份
"每天凌晨 2 点，备份数据库到 S3，如果失败发告警邮件"
这些任务运行在云端，完全无人值守，结果通过消息平台通知你。
七、安全设计
给 Agent 执行命令的权限是一把双刃剑。Hermes 的安全设计：
- 命令审批（Command Approval）：可以配置哪些命令需要人工确认才能执行，哪些可以自动放行。白名单里的
git status、ls等只读命令自动放行，rm -rf类操作需要确认 - DM 配对（DM Pairing）：消息平台上的 Agent 只响应授权用户，通过配对码绑定
- 容器隔离：使用 Docker 后端时，Agent 的代码执行在隔离容器内，不影响宿主机
八、RL 训练集成：为下一代模型生成数据
这是 Hermes 最「研究向」的功能，也揭示了 Nous Research 的长期目标。
Hermes 内置了与 Atropos（Nous Research 的 RL 训练框架）的集成：
- 批量轨迹生成：可以批量运行任务，收集 Agent 的完整决策轨迹（observation → action → result）
- Atropos RL 环境：将 Hermes 的工具环境包装成标准 RL 环境，用于强化学习训练
- 轨迹压缩：将高质量的 Agent 轨迹压缩成训练数据，用于训练下一代 tool-calling 模型
这形成了一个完整的飞轮：Hermes Agent 在真实任务中积累的高质量轨迹 → 训练更强的工具调用模型 → 更强的模型驱动更好的 Agent 表现。这正是 Nous Research 作为 AI 研究机构的核心布局。
九、快速上手
# 一键安装（Linux / macOS / WSL2）
curl -fsSL https://raw.githubusercontent.com/NousResearch/hermes-agent/main/scripts/install.sh | bash
source ~/.bashrc
# 运行配置向导
hermes setup
# 开始对话
hermes
# 常用命令
hermes model # 切换模型
hermes tools # 配置工具
hermes gateway # 启动消息网关
hermes doctor # 诊断问题
hermes update # 更新版本
从 OpenClaw（Hermes 的前身）迁移：
hermes claw migrate # 迁移设置、记忆、技能、API Key
hermes claw migrate --dry-run # 预览迁移内容
十、与其他框架的对比
| 特性 | Hermes Agent | AutoGPT | CrewAI | Claude Code |
|---|---|---|---|---|
| 学习闭环 | ✅ 技能自动生成+改进 | ❌ | ❌ | ✅ CLAUDE.md |
| 跨会话记忆 | ✅ 主动积累+用户建模 | 部分 | ❌ | ✅ Memory files |
| 多平台接入 | ✅ 6 个平台 | ❌ | ❌ | ❌ 仅 CLI/IDE |
| 模型无关 | ✅ 200+ 模型 | 部分 | ✅ | ❌ 仅 Claude |
| Serverless 部署 | ✅ Daytona / Modal | ❌ | ❌ | ❌ |
| RL 训练集成 | ✅ Atropos | ❌ | ❌ | ❌ |
| 定时任务 | ✅ 内置 Cron | ❌ | ❌ | ✅ CronCreate |
十一、总结
Hermes Agent 的核心价值主张很清晰：一个真正能自我成长的 Agent，而不只是一个有工具的聊天机器人。
它的技能系统把「解决问题的方法」沉淀为可复用的程序性知识；它的用户建模让 Agent 随着时间推移越来越了解你；它的多平台接入和 Serverless 部署让 Agent 真正从「桌面工具」变成「随时可用的助手」。
对于研究者来说，Atropos 集成让它同时是一个优质的 RL 训练数据生成工具。对于开发者来说，模型无关的设计和 MCP 支持让它可以轻松嵌入已有工作流。
Hermes Agent 目前仍在快速迭代中，感兴趣可以从 GitHub 直接体验：